Klasifikasi Jenis Transaksi Terbanyak Pada Layanan Agen Brilink  Di Numart Dengan Algoritma Decision Tree

Zaehol Fatah; Maidatul Maghfiro

doi:10.31004/riggs.v4i4.4407

Authors

Zaehol Fatah Universitas Ibrahimy
Maidatul Maghfiro Universitas Ibrahimy

DOI:

https://doi.org/10.31004/riggs.v4i4.4407

Keywords:

BRIlink, Klasifikasi Transaksi, Decision Tree, Data Mining, NUMart

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan jenis transaksi terbanyak pada layanan agen BRILink di NUMart dengan memanfaatkan algoritma Decision Tree sebagai metode analisis utama. Layanan BRILink merupakan inovasi perbankan berbasis agen yang memungkinkan masyarakat melakukan berbagai transaksi keuangan tanpa harus datang ke kantor bank. Banyaknya variasi transaksi di NUMart seringkali menyulitkan pengelola untuk mengetahui jenis transaksi yang paling dominan setiap periode, terutama karena data yang bersifat acak dan tidak terstruktur. Melalui pendekatan data mining, penelitian ini mengolah data transaksi mingguan BRILink NUMart selama tiga bulan dengan delapan atribut transaksi dan satu atribut target. Tahapan penelitian meliputi pengumpulan data, pra-pemrosesan data, pembagian dataset, pembangunan model klasifikasi, hingga evaluasi performa model secara menyeluruh. Algoritma Decision Tree dipilih karena mampu menghasilkan pola klasifikasi yang mudah dipahami, memiliki tingkat interpretabilitas tinggi, serta dapat menggambarkan struktur keputusan secara jelas. Hasil analisis menunjukkan bahwa atribut Tarik Tunai menjadi node akar (root) karena memiliki nilai gain ratio tertinggi dalam membedakan kategori transaksi. Model klasifikasi yang dibangun kemudian diuji menggunakan RapidMiner dengan nilai accuracy, precision, dan recall mencapai 100%. Temuan ini membuktikan bahwa algoritma Decision Tree mampu mengidentifikasi pola transaksi secara efektif dan dapat digunakan sebagai dasar pengambilan keputusan operasional, seperti perencanaan stok dana, strategi pelayanan, optimalisasi manajemen transaksi, serta peningkatan kualitas layanan keuangan berbasis agen di NUMart.

Downloads

Download data is not yet available.

References

P. A. Simbolon, P. Sinaga, K. Sarinauli, L. Siantar, and C. H. Turnip, “Peran Agen Brilink Ditengah Masyarakat dalam Mempermudah Transaksi,” vol. 9, pp. 10397–10402, 2025.

A. A. Santika, T. H. Saragih, D. Kartini, and R. Ramadhani, “Penerapan Skala Likert Pada Klasifikasi Tingkat Kepuasan Pelanggan Agen BRILink Menggunakan Random Forest Application Of Likert Scale On Classification Of Customer Satisfaction Level Of BRILink Agents Using Random Forest,” vol. 11, no. 3, pp. 405–411, 2023, doi: 10.26418/justin.v11i3.

Asmaul Husnah Nasrullah, “IMPLEMENTASI ALGORITMA DECISION TREE UNTUK,” vol. 7, no. 2, pp. 45–51, 2021.

Y. U. Chella Aprianti, Muhammad Faishal, “Penerapan Data Mining Untuk Klasifikasi Penjualan Baju Muslim Dimasa Pandemi Covid-19 Menggunakan Metode Algoritma C4.5 (Studi Kasus: Garaya Collection),” vol. 8, no. 1, 2021, doi: 10.5281/zenodo.5816231.

R. N. Ramadhon, A. Ogi, and A. P. Agung, “Implementasi Algoritma Decision Tree untuk Klasifikasi Pelanggan Aktif atau Tidak Aktif pada Data Bank,” vol. 3, pp. 1860–1874, 2024.

B. V. Haekal, S. Kom, M. Si, N. Chamidah, S. Kom, and M. Kom, “Klasifikasi Kepuasan Pengguna Layanan Aplikasi Shopee Menggunakan Metode Decision Tree C4 . 5,” vol. 4221, pp. 188–196, 2021.

E. Priyanti, “(Indonesian Journal on Computer and Information Technology),” vol. 7, no. 1, pp. 7–12, 2022.

B. N. Sari et al., “PENERAPAN DATA MINING DALAM KLASIFIKASI DATA TRANSAKSI PRODUK KOPERASI DI SMK PGRI 2 KARAWANG,” vol. 9, no. 1, pp. 263–269, 2025.

A. Wardhana, Teknik Pengumpulan Data Penelitian, no. July. 2024.

S. M. Siroj, I. Arwani, and D. E. Ratnawati, “Analisis Sentimen Opini Publik pada Twitter terhadap Efek Pembelajaran Daring di Universitas Brawijaya menggunakan Metode K-Nearest Neighbor,” vol. 5, no. 7, pp. 3131–3140, 2021.

S. Aisyah et al., “PERAMALAN JUMLAH TITIK PANAS PROVINSI KALIMANTAN TIMUR MENGGUNAKAN METODE RADIAL BASIS FUNCTION NEURAL NETWORK,” vol. 2, no. November, 2021.

M. Faisal, “Klasifikasi Penyakit Diabetes Menggunakan Algoritma Decision Tree,” vol. 10, no. 2, 2023.

O. Tarawneh, M. Otair, M. Husni, H. Y. Abuaddous, M. Tarawneh, and M. A. Almomani, “Breast Cancer Classification using Decision Tree Algorithms,” International Journal of Advanced Computer Science and Applications, vol. 13, no. 4, pp. 676–680, 2022, doi: 10.14569/IJACSA.2022.0130478.

M. Martini, R. S. Anwar, and S. Masshitah, “Analisa Decision Tree Untuk Menentukan Jadwal Kerja Karyawan Restoran Pada Hari Libur,” JURNAL PETISI (Pendidikan Teknologi Informasi), vol. 3, no. 1, pp. 5–14, 2022, doi: 10.36232/jurnalpetisi.v3i1.2041.

I. M. Agus Oka Gunawan, I. D. A. Indah Saraswati, I. D. G. Riswana Agung, and I. P. Eka Putra, “Klasifikasi Penyakit Jantung Menggunakan Algoritma Decision Tree Series C4.5 Dengan Rapidminer,” Jurnal Teknologi Dan Sistem Informasi Bisnis, vol. 5, no. 2, pp. 73–83, 2023, doi: 10.47233/jteksis.v5i2.775.

U. H. Musyarofah, Martanto, “KLASIFIKASI KOMPETENSI SISWA DI SMK BASURAGA MENGGUNAKAN ALGORITMA DECISION TREE,” vol. 8, no. 1, pp. 466–472, 2024.